[目的/意义]识别学术论文同行评审意见类型、分析不同被引频次下同行评审意见类型在同行评审报告中的分布情况，有助于加深对同行评议机制的认识，为评估论文学术质量、量化评审专家贡献提供新思路。[方法/过程]首先，将同行评审意见类型划分为正面评价、负面评价、要求/建议（主、次要方面）、问题/疑问、陈述六个类别，经人工标注、获取训练、测试语料后，对比分析传统机器学习模型、深度学习模型在同行评审意见类型自动识别上的效果；其次，将同行评审报告涉及的学术论文进行主题聚类，进而对被引频次进行标准化处理；最后，使用Spearman相关系数、累积分布、K-S检验、负二项回归分析不同被引频次学术论文对应的同行评审报告中同行评审意见类型的分布情况。[结果/结论] SciBert模型识别效果最佳；在基于Spearman的相关性分析中，评审报告中正面评价的分布占比与被引频次具有显著的弱正相关，负面评价的分布占比与被引频次具有显著的弱负相关；通过累计分布发现，多数情况下，当累积概率相同时，高被引分区中正面评价的分布占比大于低被引分区、负面评价的分布占比小于低被引分区，K-S检验能够检测到这种差异；在负二项回归分析中，正面评价分布占比、负面评价分布占比分别对被引频次有显著的正向影响、负向影响。研究结果表明，同行评审报告中正面评价、负面评价的分布情况与其对应论文的被引频次存在相关性，被引频次一定程度上能够反映论文的学术质量。